面向起终点行程时间估计的多任务弱监督学习
人工智能
2023-01-16 v1
摘要
基于GPS轨迹的行程时间估计对于订单时长预估、拼车、出租车调度等至关重要。然而，由于数据隐私和采集的限制，密集轨迹并非总是可用，而起讫点（OD）类型的数据，如纽约市出租车数据、纽约市自行车数据和Capital Bikeshare数据，则更容易获取。为解决此问题，本文开始结合路网来估计OD行程的行程时间。随后，提出了一种用于行程时间估计的多任务弱监督学习框架（MWSL TTE），以同时推断路段间的转移概率，以及路段和交叉口的行程时间。技术上，给定一个OD对，转移概率旨在恢复最可能的路径。然后，行程时间的输出等于该路径上所有路段和交叉口行程时间的总和。我们提出了一种新颖的路径恢复函数，以迭代地最大化当前路径的共现概率，并最小化路径概率分布与路径估计损失逆分布之间的差异。此外，基于弱监督框架的期望对数似然函数被用于同时优化路段和交叉口的行程时间。我们在西安和成都的大量真实世界出租车数据集上进行了实验，证明了我们的方法在路径恢复和行程时间估计上的有效性。
引用
@article{arxiv.2301.05336,
title = {Multitask Weakly Supervised Learning for Origin Destination Travel Time Estimation},
author = {Hongjun Wang and Zhiwen Zhang and Zipei Fan and Jiyuan Chen and Lingyu Zhang and Ryosuke Shibasaki and Xuan Song},
journal= {arXiv preprint arXiv:2301.05336},
year = {2023}
}